Inférence bayésienne sur séries temporelles
L'inférence bayésienne sur séries temporelles applique le théorème de Bayes séquentiellement à des observations ordonnées dans le temps, en maintenant une distribution de probabilité complète sur les états cachés et les paramètres du modèle à chaque pas de temps. Ce cadre unifie les modèles d'espace d'états, les modèles linéaires dynamiques et les filtres particulaires, produisant une incertitude calibrée pour les tâches de filtrage (en temps réel) et de lissage rétrospectif.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
+2 de plus
Sources
- West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer. ISBN: 978-0387947259
- Prado, R. & West, M. (2010). Time Series: Modeling, Computation, and Inference. CRC Press. ISBN: 978-1420093360
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Inference for Time Series Models. ScholarGate. https://scholargate.app/fr/bayesian/time-series-bayesian-inference
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Régression bayésienneBayésien↔ comparer
- Réseau bayésien dynamiqueBayésien↔ comparer
- Inférence bayésienne hiérarchiqueBayésien↔ comparer
- Filtre de KalmanBayésien↔ comparer
- Filtre particulaire (Monte Carlo séquentiel)Bayésien↔ comparer
- Monte Carlo séquentielBayésien↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →